www.lirepdf.

com
Universit Hassan II - Mohammadia F.S.T Mohammadia Dpartement de Mathmatiques Module : Probabilits et statistiques (MIP)

Chapitre 5 Variables alatoires discrtes

Soit (, T , P) un espace probabilis. On dit qu'une variable alatoire relle est discrte (v.a.d en abrg) si l'ensemble X() de ses valeurs prises est dnombrable.

1 Loi d'une v.a.d

Dnition 1.1 Soit X une v.a.d. L'application f de X() dans R qui tout x X()
fait correspondre f (x) = P(X = x) s'appelle la loi de probabilit de X (on dit aussi distribution ).

Pour dterminer la loi de X , on commence toujours par dterminer et X().

Remarque 1.1 Si X est une v.a.d et f sa loi, alors

f (x) = 1
xX()

Car on peut crire comme la runion disjointe et dnombrable des vnements (X = x), x X(). Le rsultat s'ensuit puisque P est une probabilit. On dmontre que la rciproque de ce rsultat est aussi valable.

Proposition 1.1 Soit X une v.a.d. La fonction de rpartition FX est entirement dtermine par la loi de X .
Il sut donc dans le cas discret de calculer la loi de X . L'exemple 3.1 du chapitre 4 est un exemple de v.a.d. Pour visualiser graphiquement la loi d'une v.a.d, on trace un diagramme en btons qui consiste reprsenter dans un repre les segments d'extrmits les points de coordonnes (x, 0) et (x, P(X = x)) pour x X(). Par exemple la loi de l'exemple 2.1 du chapitre 4 peut tre visualise par le diagramme en btons suivant.
PX k 0.15

0.10

0.05

10

12

N-E.Fahssi

www.lirepdf.com

2 Esprance, variance, cart-type

Pour une v.a.d X , nous posons X() = {x1 , x2 , . . . , xn , . . .} (X() est dnombrable par dnition). Pour dnir l'esprance mathmatique, ou moyenne des valeurs prises par la v.a.d, nous distinguons deux cas : X() ni et inni. note E(X), par la somme nie suivante :

Dnition 2.1 Si X() = {x1 , x2 , . . . , xn } est ni, on dnit l'esprance de X , que l'on
n

E(X) =
i=1

xi P(X = xi )

Si X() est innie, l'esprance existe si et seulement si la srie i xi P(X = xi ) est absolument convergente, c'est dire que la somme i |xi |P(X = xi ) est nie et l'on a dans ce cas

E(X) =
i=1

xi P(X = xi )

Exemple 2.1 On joue pile ou face. L'apparition de Pile fait gagner un Dirham et celle de Face fait perdre un Dirham. Quelle est l'esprance du gain ?
Ici le gain est une v.a.d X prenant les valeurs +1 et -1 avec la probabilit 1/2 pour chaque face. C'est dire c'est l'application de = {P, F } dans {1, +1} dnie par X({P }) = +1 et X({F }) = 1. On a P(X = 1) = P(X = +1) = 1/2. L'esprance de X 1 est donc E(X) = (+1) 1 + (1) 2 = 0. En moyenne, on n'espre rien gagner. 2

2.1 Moments d'une v.a.d

Dnition 2.2 On appelle moment d'ordre k de la v.a.d X la quantit
k (X) =
xX()

xk P(X = x)

Ainsi l'esprance n'est autre que le moment d'ordre 1. Le moment d'ordre k de la v.a.d de l'exemple 2.1 est (1)k + 1 /2 gal 1 si k est pair et 0 si k est impair.

2.2 Variance et cart-type

Pour introduire la notion de variance, discutons un exemple simple. Considrons deux v.a.d X et Y dont les lois sont donnes par

x P(X = x)
et

95
1 5

97
1 5

100
1 5

103
1 5

105
1 5

y P(Y = y)

50
1 5

75
1 5

100
1 5

125
1 5

150
1 5

Les deux v.a, dont les diagrammes en btons sont reprsents ci-dessous, ont la mme esprance (la mme moyenne) E(X) = E(Y ) = 100, mais on voit que la loi de Y est plus disperse que celle de X . N-E.Fahssi

www.lirepdf.com
0.5 0.4 0.3 0.2 0.1 0.0 60 80 100 120 140

PX k

0.5 0.4 0.3 0.2 0.1

PY k

0.0 60 80 100 120 140

La question qui se pose est de dnir un paramtre qui caractrise cette dispersion. Ce paramtre est l'cart-type par lequel on mesure l'cart de la loi par rapport la moyenne (qui est le centre de la loi).

Dnition 2.3 Si l'esprance d'une v.a.d X existe, la variance de X est, si elle existe, la
somme Var(X) =

(x E(X))2 P(X = x)
xX()

L'cart-type de X , not X , est la racine carre de la variance.

(X) =

Var(X)

2.3 Proprits de l'esprance

Proposition 2.1
1. Linarit : Soient X et Y deux v.a.d dnies sur un mme espace probabilis (, T , P) et ayant chacune une esprance. Soit R alors X + Y et X ont une esprance et on a :

E(X + Y ) = E(X) + E(Y ) et E(X) = E(X)

2. Soit une application de R dans R, la v.a.d (X) a une esprance si et seulement si la somme xX() (x)P(X = x) existe et on a alors

E((X)) =
xX()

(x)P(X = x)

Remarque 2.1 Le calcul de l'esprance de la v.a.d (X) doit se faire partir de sa loi
E((X)) =
x(X)()

yP((X) = y)

La proprit 2 montre qu'il est inutile de dterminer la loi de (X) pour calculer son esprance. Comme application de la proprit 2, on peut crire Var(X) =
xX()

(x E(X))2 P(X = x) = E (X E(X))2

donc

Var(X) = E (X E(X))2

Cette formule est souvent prise comme dnition de la variance. Ainsi la variance mesure la moyenne des carrs des carts la moyenne. N-E.Fahssi

www.lirepdf.com
2.4 Proprits de la variance
Il est facile de dmontrer la

Proposition 2.2 (Koenig-Huyghens) Soit X une v.a.d, ayant une esprance et une variance, alors la v.a.d X 2 a une esprance et
Var(X) = E(X 2 ) E(X)2 Ce thorme donne une mthode pratique de calcul de la variance.

Proposition 2.3 Soit X une v.a.d ayant une esprance et une variance alors pour tout (a, b) R2 , la variable aX + b a une variance et
Var(aX + b) = a2 Var(X)

Preuve : Exercice facile.

Dnition 2.4 Soit X une v.a.d ayant une esprance et une variance. La v.a
X = X E(X) (X)

est appele variable alatoire centre rduite associe la v.a X . D'aprs la proposition prcdente, elle est telle que son esprance est nulle et sa variance est gale 1.

3 Quelques lois discrtes classiques

3.1 Variable certaine
Par dnition, c'est une variable constante :

X() = {a},

P(X = a) = 1,

E(X) = a,

Var(X) = 0

3.2 Loi uniforme discrte sur [[1,n]]

Dnition 3.1 On dit qu'une v.a X suit une loi uniforme discrte sur [ 1, n]] si l'on a
1 n Modle. On tire au hasard une boule dans une urne contenant n boules numrotes de 1 n ; X dsigne le numro de la boule tire. k [ 1, n]] P(X = k) =
0.5

X() = [ 1, n]] et

PX k

0.4

0.3

0.2

0.1

N-E.Fahssi

www.lirepdf.com
Remarque 3.1 Pour n = 1, X suit une loi certaine. Proposition 3.1 Soit X une v.a.d uniforme sur [ 1, n]] alors
E(X) = n+1 2
n

Var(X) =

n2 1 12

Preuve Si X est une v.a.d uniforme sur [ 1, n]]. On a

E(X) =
k=1

1 n(n + 1) n+1 k = = n n 2 2

et

E(X ) =
k=1

1 n(n + 1)(2n + 1) (n + 1)(2n + 1) k2 = = n n 6 6

1kn k 2

o l'on a utilis la formule qui donne la somme des carrs dmontrer par rcurrence). Il vient alors Var(X) = E(X 2 ) E(X)2 =

(que l'on peut

n2 1 12

3.3 Loi de Bernoulli

1 et 0 avec les probabilits p et q = 1 p respectivement, o 0 < p < 1. p est le paramtre caractrisant la loi de Bernoulli. On dit aussi que X est une v.a de Bernoulli de paramtre p.

Dnition 3.2 Une v.a.d suit une loi de Bernoulli de paramtre p si elle prend les valeurs

Modle : On considre une exprience alatoire ayant deux rsultats que nous appelons succs (not S) et chec (not E) avec les probabilits p et q = 1 p. L'univers des possibilits est donc = {S, E}. La variable de Bernoulli est dnie par X(S) = 1 et X(E) = 0 avec les probabilits P(X = 1) = p et P(X = 0) = q

Proposition 3.2 Soit X une v.a de Bernoulli alors

E(X) = p et
Var(X) = pq

Preuve : On a E(X) = p1+q0 = p et on a aussi E(X 2 ) = p. Donc Var(X) = pp2 = pq .

3.4 Loi binomiale

Dnition 3.3 Une v.a.d suit une loi binomiale de paramtres n et p (n N et 0 < p < 1)
si X() = [ 0, n]] et si pour tout k [ 0, n]], on a
k P(X = k) = Cn pk q nk ,

(q = 1 p)

On dit aussi que X est une variable Binomiale de paramtres n et p. On peut s'assurer de la cohrence de cette dnition en remarquant que
n n

P(X = k) =
k=0 k=0

k Cn pk q nk = (p + q)n = 1

N-E.Fahssi

www.lirepdf.com
Comment reconnatre une loi binomiale ? On considre une exprience alatoire
deux issues {Succs, Echec}. La probabilit du Succs tant gale p. On rpte cette exprience n fois dans les mmes conditions et on s'intresse au nombre de ralisations du succs. Soit X la v.a.d qui compte ce nombre. Alors X est une v.a binomiale de paramtres n et p.

Exemple 3.1 Reconnatre une v.a de loi binomiale dans chacune des situations suivantes.
1. On lance 4 fois deux ds. Quelle est la loi de la v.a gale au nombre d'apparitions de la somme 4 ? Quelle est la probabilit d'obtenir au moins 2 fois une somme gale 4? 2. On dispose d'un lot de 100 articles dont cinq sont dfectueux. On tire au hasard et avec remise 20 articles. Quelle est la probabilit qu'ils soient tous sans dfaut ?

Proposition 3.3 Soit X une v.a de loi binomiale de paramtres n et p. Alors

E(X) = np var(X) = npq

Exercice Montrer la proposition 3.3.

Proposition 3.4 Posons pn = n . Alors pour k entier x. On a k lim Cn pk (1 pn )nk = e n

n+ n>k

k k!

Preuve. exercice.
Cette proposition donne une possibilit pratique pour calculer numriquement la probabilit de la loi binomiale si le paramtre n est grand. En gnral, on admet dans la k pratique que pour n 50, np 15, p 0.1, la valeur de Cn pk q nk est bien approche par k la valeur e avec = np. k!

3.5 Loi de Poisson

Dnition 3.4 On dit qu'une v.a.d X suit une loi de Poisson de paramtre > 0 si
X() = N et k N
On a bien une probabilit car

P(X = k) = e

k k!

P(X = n) = e
n=0 n=0

k = e e = 1 k!

En pratique, la loi de Poisson modlise les expriences dont les vnements sont rares. Par exemple, en physique nuclaire, le nombre de particules mises par une substance radioactive dans un intervalle de temps t est une v.a de Poisson de paramtre proportionnel t.

Proposition 3.5 Une v.a suivant une loi de Poisson de paramtre admet une esprance
et une variance donnes par
E(X) = Var(X) =

N-E.Fahssi

www.lirepdf.com
Preuve : Voir le cours.

Exemple 3.2 .
1. On admet que le nombre d'appels tlphoniques reus par un standard, durant une priode de temps T (exprime en heures) suit une loi de Poisson de paramtre = 10T . Donner la probabilit que le nombre d'appels reus dans une priode de 6 min soit gale ou suprieur 4. 2. On admet que le nombre d'toiles lantes observes durant une priode de T minutes, une poque donne, suit une loi de Poisson de paramtre = aT (a tant une constante indpendante de T ). Dterminer a sachant qu'on observe en moyenne une toile lantes toutes les 2 minutes. Quelle est la probabilit d'observer au moins 5 toiles lantes en 10 minutes ?

3.6 Loi gomtrique

Modle : On rpte n fois une exprience alatoire deux issues ( la Bernoulli) jusqu' l'obtention du premier succs. X est la v.a qui compte le rang du premier succs :
= {n = (EEE E S), n N }
n1 fois

La v.a X est donc l'application qui fait correspondre au rsultat lmentaire n l'indice n qui constitue le temps d'attente de l'apparition du premier succs, comme un autostoppeur qui attend la voiture qui le transporte. Il est immdiat de voir que P(X = n) = = pq n1 , (q = 1 p). D'o la

Dnition 3.5 On dit qu'une v.a X suit une loi gomtrique de paramtre p (0 < p < 1)
si X() = N et

k N ,

P(X = k) = pq n1 ,

q =1p

La dnition est cohrente car

P(X = k) = p
k=1 k=1

q n1 = p
i=0

qi =

p =1 1q

o l'on a appliqu la formule donnant la somme d'une srie gomtrique. Pour cette raison, cette loi s'appelle gomtrique. On l'appelle aussi loi de l'auto-stoppeur.

Proposition 3.6 L'esprance et la variance d'une v.a de loi gomtrique de paramtre p

sont donns par
E(X) = 1 p
Var(X) =

q p2

Preuve. Voir le cours.

3.7 Loi hypergomtrique

Modle : Une urne contient N1 boules blanches et N2 boules noires. On fait un tirage de n boules simultanment. Quelle est la loi de la variable alatoire X qui compte le nombre de boules blanches dans l'chantillon ?
n Ici le nombre total des possibilits est Card() = CN1 +N2 . Soit l'vnement  Il y a k nk k boules blanches dans l'chantillon  = (X = k). On a Card(X = k) = CN1 CN2 , c'est le

N-E.Fahssi

www.lirepdf.com
nombre de faons de choisir k boules parmi N1 boules blanches multipli par le nombre de choix de N k boules parmi N2 boules noires (principe de multiplication). D'o

P(X = k) =

nk k CN1 CN2 n CN1 +N2

On dit que la v.a X suit une loi hypergomtrique de paramtres N1 , N2 et n. L'ensemble des valeurs de X dpend des valeurs de ses paramtres. On monte qu'en gnral X() = {max(N1 , n N2 ), . . . , min(N1 , n N2 )}

Proposition 3.7 L'esprance et la variance d'une v.a suivant une loi hypergomtrique sont
donnes par o
p= E(X) = np
Var(X) = npq

N1 + N2 n N1 + N2 1

N1 N1 + N2

q =1p

Fin du chapitre 5

N-E.Fahssi